はじめに：バックテストが終わらない夜

Pythonで株の自動売買（スイングトレード）モデルを作り、過去10年分の株価データ（約2000銘柄 × 2500日 = 500万行）でバックテストを回そうとしました。
「よし、1行ずつループしてシグナルを判定しよう！」
私は何も疑わずに、Pandasの伝家の宝刀 iterrows() を抜きました。

# ❌ 初心者がやりがちな絶望コード
for index, row in df.iterrows():
    if row['close'] > row['sma_25']:
        df.at[index, 'signal'] = 1
    else:
        df.at[index, 'signal'] = 0

スクリプトを実行。……終わらない。
プログレスバーは1秒に1%も進みません。計算が終わるまでに推定4時間かかると表示されました。
「Pythonってこんなに遅いの…？」と絶望した夜の話です。

なぜ `iterrows()` は罪なのか

Pandasのデータフレームは、内部的にはC言語の配列（NumPy）でメモリ上に綺麗に並んでいます。
しかし iterrows() を使うと、Pythonは「1行ごとにCの世界からPythonの世界へデータを変換し、Pythonの遅いループで処理し、また戻す」というオーバーヘッドを500万回繰り返します。これは東京から大阪まで、歩いて荷物を1個ずつ運ぶようなものです。

救世主：「ベクトル化（Vectorization）」

Pandas（NumPy）の真の力は**「ベクトル化」**にあります。ループを回さず、列全体に対して一気に計算を適用するのです。

# ✅ ベクトル化を使った神コード
df['signal'] = np.where(df['close'] > df['sma_25'], 1, 0)

この1行に書き換えてスクリプトを実行しました。
処理時間は 0.2秒になりました。
4時間かかっていた処理が、一瞬で終わったのです。

Pandasループの「やってはいけない」ランキング

データ分析やシストレで処理が遅いと感じたら、以下の順に改善を検討してください。

【最悪】 iterrows()：絶対に避けるべき。遅さの極み。
【マシ】 itertuples()：どうしてもループが必要ならこっち。数倍速い。
【普通】 apply()：便利だが、内部的にはループしているので巨大データには向かない。
【最強】ベクトル化（NumPy関数）：条件分岐には np.where や np.select を使う。圧倒的に最速。
Pythonは「遅い言語」ではありません。「遅い書き方ができてしまう言語」なだけです。データフレームをループで回そうとした時、それは「あ、自分は今、重罪を犯そうとしているな」と気づくためのサインです。